1.基于Faster_RCNN的热红外图像堤坝险情检测方法，其特征在于，步骤如下：S1、图像数据收集：使用图像收集模块用于采集堤防无人机巡检取得的图像数据，包含有险情以及无险情的热红外图像；

S2、基础特征提取：使用特征提取模块将图像数据进行基本的分类和筛选，剔除无效热红外图像；

S3、图像处理：利用图像处理模块对于热红外图像进行识别和标注，确定训练集与测试集；

S4、 Faster_RCNN训练：先将图像数据保存，然后利用卷积神经网络提取输入的热红外图像的特征，此时将保存的图像数据与卷积神经网络提取后的数据进行拟合，然后将数据通过候选区域算法生成对于渗漏检测的建议框，再将建议框与拟合后的数据相结合，构建Faster_RCNN模型并利用Faster_RCNN模型对图像数据集进行训练；利用Faster_RCNN模型对图像数据集进行训练的具体过程如下：a. 用卷积神经网络提取输入热红外图像的特征，针对小目标特征，feature map的卷积神经网络由13个卷积层，13个relu层和2个pooling层，通过该卷积神经网络进行训练，得到feature map；

b将图像的RGB颜色信息作为feature map与上一步得到的feature map跨接，得到融合RGB信息的feature map，增加RGB特征层的权重；

c. 通过RPN网络从包含融合RGB信息的feature map得到建议框的ROIs，并对ROIs进行

2分类，判别建议框内容是前景还是背景，留下前景建议框；

d.将建议框ROIs的feature map池化得到与融合RGB信息的feature map 相同尺寸的feature map，并将其与融合RGB信息的feature map合并，再送入分类器，进行分类和回归模型的构建，计算损失函数，并进行反向传播，修改权重；

S5、目标检测识别：目标检测识别模块利用训练好的Faster_RCNN模型对堤坝中的险情区域进行检测，并判断是否有险情，以及确定险情的具体位置、大小及置信度。

2.如权利要求1所述的基于Faster_RCNN的热红外图像堤坝险情检测方法，其特征在于，步骤S3具体过程如下：

S3‑1.利用图像处理模块对于热红外图像进行识别和标注：将特征明显的热红外图像挑选出来，将其中难以识别或已经检修后的无效数据剔除，并将选择挑选后的热红外图像，使用400px * 400px的像素大小对整张的堤坝热红外图像进行分割，然后将分割完成的数据集，使用Labelme软件标出所有渗漏的特征，使用矩形框进行标注，以“leakage”作为渗漏标识，获得一组与热红外图像对应的标注集；

S3‑2.确定训练集与测试集：根据样本的数量，以7:3的比例将训练样本分为训练集和测试集，然后利用Python的os模块将所有Labelme标注出的.txt格式文件整合为Faster_RCNN可读取的.json文件。